BP(Back Propagation)神经网络和遗传算法(Genetic Algorithm,GA)都是一种仿生算法,它们模拟自然界中生物的智能信息处理机制来处理复杂的分类问题。然而随着对神经网络和遗传算法的深入研究,只通过神经网络或遗传算法一种算法很难解决复杂的分类问题。通常情况下,BP神经网络模型在拟合训练样本时具有良好的非线性映射和学习能力。然而,在网络模型结构不固定,初始的权值和阈值不确定,收敛速度慢的情况下,BP神经网络可能不是一个很好的分类问题解决方案。同时遗传算法对于自适应优化问题具有很好的搜索能力,但其不具有类似神经网络的自适应学习能力,因此难以进行有效的预测和分类问题。近年来,有许多学者尝试将遗传算法和人工神经网络方法结合,以寻求解决复杂问题的全局较优解。尽管GA-BP学习算法在解决复杂分类问题时有一定优势,但算法往往会出现收敛速度慢,可能陷入局部极值的现象。针对以上问题,本文选取了自适应GA-BP(Adaptive GA-BP,AGA-BP)算法,并在GA-BP算法和AGA-BP算法的基础上添加跳跃基因(Jumping Gene),称之为JG-GA-BP算法和JG-AGA-BP算法,用于在一定程度上解决分类问题。本文在遗传算法的基础上增加了跳跃基因算子,用于优化BP神经网络的结构参数,从而建立相应的神经网络拓扑模型。为验证添加跳跃基因后的学习算法的分类效果,以随机数、iris、wine、鲍鱼数据集的分类实验为例,将JG-AGA-BP算法、JG-GA-BP算法、AGA-BP算法和GA-BP算法的性能进行比较。研究结果显示出添加了跳跃基因的AGA-BP算法的准确率和收敛速度都有一定程度的提高。